Dr. Johannes Riesterer

Karlsruhe Institute of Technology (KIT)
Campus Süd
Institute of Telematics
Chair for Pervasive Computing Systems / TECO
Vincenz-Prießnitz-Straße 1
76131 Karlsruhe
Germany
Building 07.07, Room : 214

email: riesterer(at)teco.edu
phone: +49 721 608-41708
fax: +49 721 608-41702

Short CV

2008 Diplom in Mathematik Universität Karlsruhe (TH)
2013 Promotion in Mathematik KIT
2008–2010 Stipendiat, Graduiertenkolleg Universität Karlsruhe (TH).
20010-2014 Wissenschaftlicher Mitarbeiter Fakultät für Mathematik/KIT
Seit 2014 Freiberufliche Tätigkeit als Softwareentwickler in den Bereichen wissenschaftliches Rechnen, Computergrafik und Multimedia-Applikationen(Büro Zwei)
2015-2016 Lehrauftrag Computergrafik, Gameart, Webprogrammierung HKDM Freiburg
Seit 2015 Lehrauftrag Computergrafik DHBW Stuttgart
Seit 2017 Studio Fluffy Gbr, Geschäftsführender Gesellschafter
Seit 2017 Wissenschaftlicher Mitarbeiter Teco/KIT

Projects

  • SmartAQNet
  • Data Scientist @ Smart Data Solution Center (SDSC) – Smart Data Analytics for Small and Medium Enterprises
  • Verschnittoptimierung für 2D-Laserschneidmaschinen mit Methoden des maschinellen Lernens (Trumpf)
  • Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung topologischer Datenanalyse (MathSEE)
  • Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung erweiterter stochastischer Regressionsmodelle (MathSEE)

Activities

Mitglied im KIT-Zentrum MathSEE (Mathematics in Sciences, Engineering, and Economics)
Dozent beim Science Camp KI

Open Theses

Masterarbeit
Verbesserung von Vorhersagemodellen auf Basis heterogener Feinstaub-Messnetzwerke unter Anwendung erweiterter stochastischer Regressionsmodelle.

Als heterogenes Messnetzwerk bezeichnet man ein Netzwerk aus Sensoren, deren Qualität a priori unbekannt ist. Ein solches liegt zum Beispiel bei Crowd-Sensing-Ansätzen vor. Hierbei werden günstige Sensoren unbekannter Präzision und Qualität von Freiwilligen zusammengebaut und betrieben und die Daten in einer vernetzten Infrastruktur verarbeitet und bereitgestellt. Bei der Verwendung dieser unsicheren Daten in Vorhersagemodellen stellt sich die Frage, ob eine höhere Mess-Auflösung mit unbekannter Genauigkeit bessere Vorhersagemodelle ermöglicht.
Zielsetzung
In dieser Arbeit sollen stochastiche Regressionsansätze basierend auf räumlich und zeitlich abhängigen Gaußprozessen verfolgt werden. Für die Modellierung der Unsicherheiten der Sensoren sollen Copula-Funktionen und Hyperparameter-Optimierungsverfahren verwendet werden. So ist bei Umweltsensoren aufgrund nichtlinearer Kreuz-Sensitivitäten ein starker nichtlinearer Zusammenhang zu erwarten. Copula-Funktionen sind im Gegensatz zu kovarianz-basierten Ansätzen in der Lage, diese nichtlineare Abhängigkeiten zu modellieren. Es wird geprüft, bis zu welcher Entfernung von Sensoren nichtlineare Abhängigkeiten zu berücksichtigen sind. Die unterschiedliche Präzision der Sensoren soll durch heteroskedastische Gaußprozesse als ein Beispiel für Hyperparameter-Optimierungsverfahren berücksichtigt werden. Hier sollen die unbekannten Varianzen der Sensoren während des Betriebs mit einem Maximum-Likelihood-Ansatz geschätzt werden. Neben der Anfertigung der Masterarbeit wird im Rahmen eines Hiwi-Jobs die Implementierung der Algorithmen auf einer Big-Data Architektur so wie die Mitarbeit an einem Drittmittelantrag zur Intensivierung der Forschung in diesem Bereich erwartet.

Voraussetzungen
Solide Kenntnisse in stochastischer Analysis und linearer Algebra.
Programmiererfahrung in Python, vorzugsweise im Bereich Data-Analysis.
Implementierungen von Algorithmen in Python und Mitarbeit an einem Drittmittelantrag zur Intensivierung der Forschung im Rahmen eines Hiwi-Jobs.

Teaching

Gaussian Process Regression, Seminar.
Spatiotemporal interpolation with bayesian neuronal networks, Seminar.
Big Data Architectures for geospatial analysis and distributed linear algebra, Seminar.
Reinforcement learning for Nesting Problems, Seminar.
Bayessche Regression und Gaußprozesse, Vorlesungseinheit kontextsensitive Systeme (Folien).

Supervised Theses

Bowen Wang; BigGIS: Fusion of geospatially distributed heterogeneous Sensor Data
Stanislav Arnaudov; Erstellung und Evaluierung stochastischer Regressionsmodelle auf Basis heterogener Messnetzwerke (In Kooperation mit Sebastian Lerch)
Peter Bozsoky; Calibrating NO2 Sensors Using Neural Networks
Yi Ge; MapReduce Machine learning algorithms for geospatial data on kappa architectures
Marvin Wieschollek; Gauß-Prozess-Regressionsmodelle für heterogene Messnetzwerke
Rainer Schlund; Kalibrierung von Low Cost Feinstaubsensoren unter Einsatz des Elastic Weight Consolidation (EWC) Algorithmus als inkrementellen Deep Learning Verfahren

Research Interests

Vorhersage von Umweltparametern und Sensorkalibrierung mit Methoden des maschinellen Lernens unter Einsatz von Big-Data Technologien.
Bilderkennungsverfahren für optische Low-Cost-Sensorik.
Geometrie, angewandte Mathematik, Computergrafik/Multimedia

Peer-reviewed Publications

2019
Low-Cost Sensing and Data Management in SmartAQnet.
Budde, M.; Riesterer, J.; Köpke, M.; Tremper, P.; Riedel, T.
2019. Mid-term and 1st International Networking Workshop of the SmartAQnet Project : December 4th and 5th 2018, Munich. Ed.: M. Budde, 3, KIT, Karlsruhe Volltext Volltext der Publikation als PDF-Dokument
2018
SmartAQnet – neuer smarter Weg zur räumlichen Erfassung von Feinstaub.
Hinterreiter, S.; Budde, M.; Schäfer, K.; Riesterer, J.; Riedel, T.; Köpke, M.; Cyrys, J.; Emeis, S.; Gratza, T.; Hank, M.; Philipp, A.; Petersen, E.; Redelstein, J.; Schnelle-Kreis, J.; Young, D.; Kowalski, M.; Ziegler, V.; Beigl, M.
2018. AGIT, 2018 (4), 394–403. doi:10.14627/537647050Volltext Volltext der Publikation als PDF-Dokument
2009
Virtually abelian Kähler and projective groups.
Baues, O.; Riesterer, J.
2009. Universität Karlsruhe, Karlsruhe 

Other Publications

  • J. Riesterer, C. Schmalzriedt, S. Schmalzriedt; 2017; Schnaubi & Lisu – early bird; Computerspiel; Itunes; Playstore
  • J. Riesterer, C. Schmalzriedt, S. Schmalzriedt; 2019; Jumpy Chap; Computerspiel; Itunes; Playstore

Talks and Slides

OGC Summit 2018

Vortrag AG Differentialgeometrie KIT

Vortrag DHBW Mannheim. IOT – Anwendungsfelder und technische Grundlagen.

Data-driven Modeling and Optimization in Fluid Mechanics, KIT, 2019.